基于優化粒子群算法的城市電動汽車充電站規劃*

馬玉清

引言

隨著環境污染的日益加重和石油資源的緊張，再加上政府的扶持，越來越多的人將電動汽車作為了自己購車的新選擇。題主說提的正好和如今現狀相反，如今不是不建議購買電動汽車，而是大力扶持電動汽車的發展。和環境污染問題的不斷加重，各個國家越來越重視電動汽車發展，電動汽車成為節能與環保的低碳汽車的發展方向。在歐美等區域的發達國家電動汽車已處于逐漸普及階段，中國政府制定了到2020年電動汽車用戶數量達到500萬輛的目標[1]。

有關調查表明，影響消費者購買電動汽車的最大阻礙并不是價格，最大原因是消費者認為電動汽車技術不成熟，質量穩定性不敢保證；充換電麻煩、充電基礎設施不完善、電池安全性差等因素也是主要原因，充電的便捷性已成為制約電動汽車應用的主要瓶頸之一。

1 電動汽車充電站規劃需要考慮的因素

電動汽車充電站建設時需要首先滿足所在城市電動汽車發展的要求總體規劃和電網規劃；其次，要結合區域用戶的電荷分布和需求特點，考慮到所有電動汽車使用者的需求，充分考慮提供服務的便捷性；另外，經濟成本上要充分考慮充電站建造和后期運營成本，使充電站承建企業、運營企業及充電用戶都能接受服務單價，實現綜合利益最大化等。

1.1 服務半徑

充電站的選址需要考慮城市的近遠期規劃，充分滿足城市的交通綜合服務能力。充電站的位置應滿足所在城市的電網系統規劃，一般來說距離負荷中心較近為好。電動汽車充電站服務半徑應考慮到交通密集程度，結合實際情況考慮服務半徑，并預留充電站擴建場地，，從近期和遠期上都能方便用戶充電。

1.2 用戶充電需求

電動汽車充電站布局時要充分考慮到用戶充電服務需求滿足的便捷性，不僅地理位置，還有充電的快捷和經濟性。對用戶來說，使用電動汽車，不僅在于節約能約和環保，還要求使用便捷性和普通燃油汽車使用基本一致。

1.3 充電站服務的限制

每個電動汽車充電站的最大服務能力是有限的，在建站時要考慮到電動汽車充電站網絡的綜合布局，對充電高峰需求時做到合理快速分流，比如充換電服務或者臨時提供其他乘用工具方便用戶出行。

2粒子群算法

2.1粒子群算法理論

求解優化問題的，算法中每個粒子都代表問題的一個潛在解，每個粒子對應一個由適應度函數決定的適應度值。粒子的速度決定了粒子移動的方向和距離，速度隨自身及其他粒子的移動經驗進行動態調整，從而實現個體在可解空間中的尋優。粒子群算法首先在可行解空間中初始化一群粒子，每個粒子都代表極值優化問題的一個潛在最優解，用位置、速度和適應度值三項指標表示該粒子特征，適應度值由適應度函數計算得到，其值的好壞表示粒子的優劣。粒子在解空間中運動，通過跟蹤個體極值Pbest和群體極值Gbest更新個體位置。個體極值Pbest是指個體所經歷位置中計算得到的適應度值最優位置，群體極值Gbest是指種群中的所有粒子搜索到的適應度最優位置。粒子每更新一次位置，就計算一次適應度值，并且通過比較新粒子的適應度值和個體極值、群體極值的適應度值更新個體極值Pbest和群體極值Gbest位置。

2.2粒子群優化算法流程

（1）初始化粒子群：初始化粒子群體（群體規模為n），包括隨機位置和速度。（2）計算每個粒子適應度：評價每個粒子的適應度。（3）尋找粒子個體的最優位置：對每個粒子，將其當前適應值與其個體歷史最佳位置（pbest）對應的適應值做比較，如果當前的適應值更高，則將用當前位置更新歷史最佳位置pbest。（4）尋找粒子群的最優位置：對每個粒子，將其當前適應值與全局最佳位置（gbest）對應的適應值做比較，如果當前的適應值更高，則將用當前粒子的位置更新全局最佳位置gbest。（5）不斷更新位置和速度：根據公式更新每個粒子的速度與位置。（6）如未滿足結束條件，則返回步驟2，通常算法達到最大迭代次數或者最佳適應度值的增量小于某個給定的閾值時算法停止。

3基于優化粒子群算法的電動汽車充電站規劃

電動汽車充電站布局要滿足充電站運營企業的獲取商業利潤需求，并兼顧充電用戶的利益。城市電動汽車充電站布局優化的目標是在滿足充電站服務要求和用戶充電需求的前提下，建立數學模型，使充電站服務成本和用戶充電需求成本之和最小。充電站服務成本包括充電站規劃建設投資成本、人力成本、充電站維護成本、充電站故障成本。用戶充電需求成本包括用戶購電成本、用戶路途成本、用戶充電等待時間成本。

針對帶有用戶充電服務要求和充電站充電需求限制的充電站布局優化問題，提出電動汽車充電站布局優化的數學模型。采用與電動汽車充電站布局相似的Voronoi圖劃分電動汽車充電站的服務范圍，保證服務范圍內的充電汽車需求點到該充電站的距離小于到其他充電站的距離。Voronoi圖按照最鄰近原則劃分平面，Voronoi圖的思想與研究內容相符，故采用Voronoi圖劃分充電汽車充電站的服務范圍。但Voronoi 圖是劃分部分區域的局部最優，不適用于全局尋優。故引入具備全局尋優能力的優化粒子群算法求解問題。

云模型和粒子群相結合是改進粒子群算法慣性權重大小的一種策略。云模型可將定性信息轉為定量信息，又有易于與其他方法結合的特點，故云模型多用來控制智能進化算法的參數，完成算法的優化。所以云模型算法適于改進粒子群算法。云模型自適應算法先求出第t次迭代粒子群體搜索到的極值信息和單個粒子在第t代的適應度值的比值，用此比值將種群劃分為3個區域，每個區域里的種群位置和速度更新時分別采用不同慣性權重W，其中種群離全局最優值較遠時，為提高全局搜索能力，讓粒子快速向最優解位置靠攏，粒子速度更新時用較大慣性權重； 種群離全局最優值較近時，為提高局部搜索能力，讓粒子更精確地向最優解位置靠攏，速度更新時用較小慣性權重；種群處于中間范圍時，其位置處于不確定狀態，用云模型將粒子不確定的定性信息轉換成確定的定量信息，進行慣性權重的調整。

4結論

采用結合優化粒子群算法建立的城市電動汽車充電站的選址規劃，充分考慮了包含建設方、使用方都多方的綜合社會效益和經濟效益，有利于進一步發展促進更多用戶選擇購買電動汽車，有利于節約資源和保護環境，有利于促使經濟可持續發展。

基金：安徽省高等職業教育創新發展行動計劃精品在線開發課程——數字電子技術（XM-06-02）；安徽省高校自然科學研究一般項目（KJ2017B001）；安徽省職業與成人教育學會教育科研規劃重點課題（azjxh17023），安徽省級重大教學研究項目（2016jyxm0122）。